相关实验视频
Updated: May 1, 2026

06:30
Noninvasive, In-pen Approach Test for Laboratory-housed Pigs
Published on: June 5, 2019
8.4K
机器学习方法在商业条件下对轻型猪进行分类的适用性
Pau Salgado-López1, Joaquim Casellas2, Iara Solar Diaz3
1Department of Animal and Food Science, Animal Nutrition and Welfare Service (SNIBA), Autonomous University of Barcelona, Bellaterra 08193, Spain.
Translational animal science
|December 19, 2024
概括
机器学习模型有效地识别出有增长迟缓风险的猪. 随机森林和增强回归优于其他方法,为猪生产效率提供了更好的决策.
科学领域:
- 动物科学动物科学
- 农业经济学 农业经济学
- 数据科学数据科学数据科学
背景情况:
- 不同的猪生长率挑战了"全归全出"系统.
- 准确识别缓慢生长的猪对于行业的效率至关重要.
研究的目的:
- 评估统计方法来分类风险较大的生长迟缓的猪.
- 评估不同生产阶段的机器学习算法的性能.
主要方法:
- 分析了三个生产阶段的大数据集 (26,749头猪).
- 普通最小平方,决策树,随机森林和通用增强回归模型的比较.
- 使用曲线下的面积 (AUC) 评估分类性能.
主要成果:
- 随机森林和通用增强回归显示出优异的表现 (AUC 0.772-0.861).
- 参数线性模型具有可接受的性能 (AUC 0.752-0.818).
- 决策树是无效的 (AUC 0.608-0.726);出生体重和以前的体重是关键预测因素.
结论:
- 机器学习算法可以准确地识别患有生长迟缓风险的猪.
- 这些方法有助于提高生猪生产的决策和效率.
- 增长迟缓的预测因素因生产阶段而异.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.7K
14:35Post-Myocardial Infarction Heart Failure in Closed-chest Coronary Occlusion/Reperfusion Model in Göttingen Minipigs and Landrace Pigs
Published on: April 17, 2021
8.4K